Задание на лабораторную работу

 

1. Изучить прикладную программу «Эмулятор системы ситуационного распознавания образов».

2. Оценить длительность работы алгоритма распознавания образов в соответствии с вариантом задания.

3. Оформить отчет о проделанной лабораторной работе.

Варианты заданий

 

Варианты заданий для выполнения лабораторной работы представлены в таблице 6.2.

 

Таблица 6.2 – Варианты заданий для выполнения лабораторной работы №6

№ п/п	Кол-во Q	Кол-во S	Длины Dij	Правило отбора Q	Способ выбора S
1	произвольное	1 ÷ 100	20 ÷ 58	доминирующий, тандемный, командный	вероятностный
2	100	1 ÷ 50	32 ÷ 64		рулеточный
3	1 ÷ 100	произвольное	16 ÷ 64		вероятностный
4	больше 1000	100 ÷ 1000	произвольные	доминирующий и тандемный	рулеточный
5	произвольное	100 ÷ 1000	1 ÷ 100		вероятностный
6	1 ÷ 20	произвольное	100 ÷ 1000	доминирующий и командный	рулеточный
7	100 ÷ 1000	произвольное	1 ÷ 50		вероятностный
8	произвольное	1 ÷ 50	64	тандемный и командный	вероятностный и рулеточный
9	произвольное	1 ÷ 100	128
10	200 ÷ 500	100 ÷ 250	произвольное	доминирующий
11	меньше 1000	произвольное	произвольное	тандемный	вероятностный
12	500 ÷ 1000	произвольное	100 ÷ 1000	командный	вероятностный
13	произвольное	1 ÷ 100	20 ÷ 58	доминирующий, тандемный, командный	вероятностный
14	100	1 ÷ 50	32 ÷ 64		рулеточный
15	1 ÷ 100	произвольное	16 ÷ 64		вероятностный
16	больше 1000	100 ÷ 1000	произвольные	доминирующий и тандемный	рулеточный
17	произвольное	100 ÷ 1000	1 ÷ 100		вероятностный
18	меньше 1000	произвольное	произвольное	тандемный	вероятностный
19	500 ÷ 1000	произвольное	100 ÷ 1000	командный	вероятностный
20	произвольное	100 ÷ 1000	1 ÷ 100	тандемный	рулеточный

 

6.5 Контрольные вопросы

 

1. Назовите преимущества ситуационного распознавания образов.

2. Назовите факторы, влияющие на достоверность распознавания образов.

3. Что такое порог распознавания и разделяющая функция?

4. Назовите критерии оценки эффективности систем распознавания образов.

5. Назовите достоинства сигнатурного подхода?

Лабораторная работа № 7. Ассоциативно-мажоритарная модель распознавания образов

Цель работы: освоить технологию оперативной оценки состояния протяженного объекта на основе ассоциативно-мажоритарной модели распознавания образов

 

Теоретическая часть

Распознавание состояния протяженных в пространстве объектов, например, автомобильных дорог является одним из основных процессов в системе управления качеством автомобильных дорог, требующих больших материальных и временных затрат [8]. Результаты распознавания состояния дорожного полотна (ДП) должны служить надежной информационной базой для решения управленческих задач.

На рисунке 7.1 представлены схема протяженного в пространстве объекта на примере автомобильной дороги.

 

Рисунок 7.1 – Схема дорожного полотна и маршрут движения

«Оренбург – Исянгулово» по трассам P-314 и P-336

 

Каждый уча­сток C_i дороги длиной l и шириной s характеризуется сле­дую­щими показателями, влияющими на безопасность дорожного движения: про­доль­ным α и поперечным β уклоном, радиусом виража конкретной катего­рии ка­чества ДП r, шероховатостью γ и коэффициентом продольного сцепления φ.

К исходным данным задачи идентификации относится [8]: множество классов образов Q = { q ₁, q ₂ ,…, q_j,…, q_n }, характеризующих категорию ДП; множество информативных признаков S = { s ₁, s ₂ ,…, s_i,…, s_m } с известными распределениями значений P (s). Для формализации задачи распознавания использованы условные обозначения, представленные в лабораторной работе № 6.

Математическая модель распознавания q^x представлена в лабораторной работе №6 формулами (6.1) – (6.9).

Представленная модель универсальна и может быть использована для распознавания состояний сложных объектов при различных поста­новках задачи, в частности: при контроллинге и отборе персонала в социально-экономических системах; при определении категории дорожного полотна и со­ответствующей безопасной скорости транспорта по принятой в РФ классификации категорий автомобильных дорог согласно ГОСТ Р 52398-2005; в подсистемах мониторинга состояний региональных транспортных систем. При этом изменяется лишь выражение для вычисления частных параметров оценки ассоциативности значения < s_i > при­знака s_i из множества S.

На рисунке 7.2 представлена структурная схема высокопроизводительной системы идентификации на основе ассоциативно-мажоритарной модели распознавания образов, позволяющей оценивать состояние ДП во время движения автомобиля.

Входными данными для системы оценки являются:

- вектор параметров регистрации R= { S, n, m };

- режим работы системы U (обучение или распознавание).

Потоки измерительной информации определяются перечнем датчиков и режимами работы средств регистрации и первичной обработки данных. Эффективность данной системы в основном определяется временем (производительностью) H проведения диагностирования и достоверностью D принимаемых решений.

Подсистема регистрации и первичной обработки данных о ДП формирует информационные потоки для подсистемы обучения ассоциативной модели и подсистемы идентификации ровности ДП.

Рисунок 7.2 – Структурная схема системы идентификации состояния ДП

 

Формирование базы распределений информативных признаков P основано на принципе работы амплитудных анализаторов сигналов, что обеспечивает высокое быстродействие, обусловленное простотой алгоритма формирования произвольных распределений. На этапе обучения ассоциативной модели подсистема управления последовательно выбирает соответствующий признак дорожного полотна и организует регистрацию его распределения в системе. По окончании регистрации подсистема формирования ассоциативных признаков по полученным оценкам распределений формирует базу ассоциативных признаков. В результате идентификации система относит диагностируемое состояние ДП к одному из семи классов ровности ДП по международной классификации индексов ровности.

Применение предложенного подхода позволяет снизить затраты на проведение эксперимента _. Ассоциативная модель распознавания образов реализована в виде аппаратно-программного устройства и пакета программ [4]. Представленный подход может также найти применение в системах технической диагностики сложных промышленных объектов металлургического, нефтегазодобывающего профиля, а также в системах контроля и управления доступом в АСУ ТП.

Порядок выполнения работы

 

1. Войти в объектно-ориентированную среду программирования «Borland Delphi 7». Разработать общий вид экранной формы прикладной программы так, как показано на рисунке 7.3.

 

Рисунок 7.3 – Общий вид экранной формы в процессе работы программы

 

2. Используя теоретический материал, представленный в пункте 7.1, реализовать алгоритм оценки состояния ДП на основе ассоциативно-мажоритарной модели распознавания образов.

3. В программе должна быть предусмотрена возможность настройки следующих параметров: количества информативных признаков и классов образов-эталонов; объема памяти (диапазона адресов), приходящегося на каждую страницу ассоциативного ЗУ; ведение журнала вычислительного эксперимента.

4. В программе должна быть предусмотрена возможность постобработки результатов вычислительных экспериментов и формирования диаграммы распределений значений информативных признаков.

Прикладная программа должна иметь гибкую структуру и возможность модификации.

 

⇐ Предыдущая1234567Следующая ⇒

Поделиться:

Воспользуйтесь поиском по сайту: